張量的創建

PyTorch 是一個廣泛使用的開源深度學習框架，由 Facebook 的 AI 研究團隊開發，并以其靈活性和易于使用的特性而受到許多研究者和開發者的喜愛。它將數據封裝成張量（Tensor）來進行運算。PyTorch 中的張量就是元素為同一種數據類型的多維矩陣。在 PyTorch 中，張量以 “類” 的形式封裝起來，對張量的一些運算、處理的方法被封裝在類中。

1. 安裝 PyTorch

首先，確保你已經安裝了 PyTorch。你可以通過 Python 的包管理器 pip 來安裝它：

pip install torch torchvision

2. 基本創建方式

torch.IntTensor、torch.FloatTensor、torch.DoubleTensor 創建指定類型的張量

2.1 torch.tensor 根據指定數據創建張量

torch.tensor 是直接從數據（如列表、元組等）創建張量的方法。它會根據輸入的數據推斷數據類型（dtype）。

import torch
# 從列表創建張量
data = [1, 2, 3, 4]
x = torch.tensor(data)
print(x)
print(x.dtype)  # 默認推斷為 torch.int64

程序輸出：
tensor([1, 2, 3, 4])
torch.int64

2.2. torch.Tensor 根據形狀創建張量, 其也可用來創建指定數據的張量

torch.Tensor 是一個類，可以用來創建未初始化的張量。它接受形狀（shape）作為參數，返回一個未初始化的張量。

# 創建一個 2x3 的未初始化張量
x = torch.Tensor(2, 3)
print(x)

輸出：

tensor([[1.4013e-45, 0.0000e+00, 1.4013e-45],[0.0000e+00, 1.4013e-45, 0.0000e+00]])

注意：torch.Tensor 也可以用來創建指定數據的張量，但不推薦這種方式，因為它的行為不如 torch.tensor 直觀。

# 不推薦：從列表創建張量
data = [1, 2, 3, 4]
x = torch.Tensor(data)
print(x)

輸出：

tensor([1., 2., 3., 4.])

2.3. 指定類型的張量創建

PyTorch 提供了多種數據類型（dtype），可以通過以下方式創建指定類型的張量：

2.3.1. torch.IntTensor：創建整數類型張量

# 創建一個 2x2 的整數類型張量
x = torch.IntTensor([[1, 2], [3, 4]])
print(x)
print(x.dtype)  # torch.int32

輸出：

tensor([[1, 2],[3, 4]], dtype=torch.int32)
torch.int32

2.3.2. torch.FloatTensor：創建浮點類型張量

# 創建一個 2x2 的浮點類型張量
x = torch.FloatTensor([[1, 2], [3, 4]])
print(x)
print(x.dtype)  # torch.float32

輸出：

ensor([[1., 2.],[3., 4.]])
torch.float32

2.3.3. torch.DoubleTensor：創建雙精度浮點類型張量

# 創建一個 2x2 的雙精度浮點類型張量
x = torch.DoubleTensor([[1, 2], [3, 4]])
print(x)
print(x.dtype)  # torch.float64

輸出：

tensor([[1., 2.],[3., 4.]], dtype=torch.float64)
torch.float64

2.4. 指定數據類型的其他方式

除了使用 torch.IntTensor、torch.FloatTensor 等，還可以通過 dtype 參數直接指定數據類型。

# 創建一個 2x2 的浮點類型張量
x = torch.tensor([[1, 2], [3, 4]], dtype=torch.float32)
print(x)
print(x.dtype)  # torch.float32

輸出：

tensor([[1., 2.],[3., 4.]])
torch.float32

2.5. 總結

方法	用途
torch.tensor(data)	根據數據創建張量，自動推斷數據類型。
torch.Tensor(shape)	根據形狀創建未初始化的張量。
torch.IntTensor(data)	創建整數類型（torch.int32）的張量。
torch.FloatTensor(data)	創建浮點類型（torch.float32）的張量。
torch.DoubleTensor(data)	創建雙精度浮點類型（torch.float64）的張量。
torch.tensor(data, dtype=…)	創建指定數據類型的張量（推薦，更直觀且靈活）。

3. 創建線性和隨機張量

3.1 創建線性張量

3.1.1. torch.arange：創建等間隔的整數張量

torch.arange 用于創建一個從起始值到結束值（不包括結束值）的等間隔整數張量。

import torch
# 創建一個從 0 到 9 的張量
x = torch.arange(10)
print(x)

輸出：

tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

可以指定起始值、結束值和步長：

# 創建一個從 2 到 8，步長為 2 的張量
x = torch.arange(2, 10, 2)
print(x)

輸出：

tensor([2, 4, 6, 8])

3.1.2. torch.linspace：創建等間隔的浮點數張量

torch.linspace 用于創建一個從起始值到結束值的等間隔浮點數張量，可以指定元素的數量。

# 創建一個從 0 到 1 的 5 個等間隔元素的張量
x = torch.linspace(0, 1, 5)
print(x)

輸出：

tensor([0.0000, 0.2500, 0.5000, 0.7500, 1.0000])

3.2. 隨機種子設置

為了保證隨機實驗的可重復性，可以設置隨機種子。

3.2.1 torch.random.manual_seed：設置隨機種子

# 設置隨機種子
torch.random.manual_seed(42)
# 創建一個隨機張量
x = torch.randn(2, 2)
print(x)

輸出：

tensor([[ 0.3367,  0.1288],[ 0.2345,  0.2303]])

注：每次運行代碼時，生成的隨機張量都會相同。

3.3. 創建隨機張量

3.3.1. torch.randn：創建標準正態分布的隨機張量

torch.randn 用于創建服從標準正態分布（均值為 0，方差為 1）的隨機張量。

# 創建一個 2x2 的標準正態分布隨機張量
x = torch.randn(2, 2)
print(x)

輸出：

tensor([[-0.4032,  0.8380],[-1.3886, -0.2935]])

3.3.2. torch.rand：創建均勻分布的隨機張量

torch.rand 用于創建在 [0, 1) 區間內均勻分布的隨機張量。

# 創建一個 2x2 的均勻分布隨機張量
x = torch.rand(2, 2)
print(x)

輸出：

tensor([[0.1234, 0.5678],[0.9101, 0.2345]])

3.3.3. torch.randint：創建整數隨機張量

torch.randint 用于創建指定范圍內的整數隨機張量。

# 創建一個 2x2 的隨機整數張量，范圍在 [0, 10)
x = torch.randint(0, 10, (2, 2))
print(x)

輸出：

tensor([[3, 7],[2, 5]])

3.4. 總結

方法	用途
torch.arange(start, end, step)	創建等間隔的整數張量。
torch.linspace(start, end, steps)	創建等間隔的浮點數張量。
torch.random.manual_seed(seed)	設置隨機種子，確保實驗可重復。
torch.randn(shape)	創建標準正態分布的隨機張量。
torch.rand(shape)	創建 [0, 1) 區間內均勻分布的隨機張量。
torch.randint(low, high, shape)	創建指定范圍內的整數隨機張量。

4. 創建全 0\1 張量

4.1. 創建全1 張量

4.1.1. torch.ones：創建全 1 張量

torch.ones 用于創建指定形狀的全 1 張量。

import torch# 創建一個 2x3 的全 1 張量
x = torch.ones(2, 3)
print(x)

輸出：

tensor([[1., 1., 1.],[1., 1., 1.]])

4.1.2. torch.ones_like：創建與輸入張量形狀相同的全 1 張量

torch.ones_like 用于創建一個與輸入張量形狀相同的全 1 張量。

# 創建一個與 x 形狀相同的全 1 張量
y = torch.ones_like(x)
print(y)

輸出：

tensor([[1., 1., 1.],[1., 1., 1.]])

4.2. 創建全 0 張量

4.2.1. torch.zeros：創建全 0 張量

torch.zeros 用于創建指定形狀的全 0 張量。

# 創建一個 2x3 的全 0 張量
x = torch.zeros(2, 3)
print(x)

輸出：

tensor([[0., 0., 0.],[0., 0., 0.]])

4.2.2. torch.zeros_like：創建與輸入張量形狀相同的全 0 張量

torch.zeros_like 用于創建一個與輸入張量形狀相同的全 0 張量。

# 創建一個與 x 形狀相同的全 0 張量
y = torch.zeros_like(x)
print(y)

輸出：

tensor([[0., 0., 0.],[0., 0., 0.]])

4.3. 創建全為指定值的張量

4.3.1. torch.full：創建全為指定值的張量

torch.full 用于創建指定形狀且所有元素為指定值的張量。

# 創建一個 2x3 的全為 5 的張量
x = torch.full((2, 3), 5)
print(x)

輸出：

tensor([[5, 5, 5],[5, 5, 5]])

4.3.2. torch.full_like：創建與輸入張量形狀相同的全為指定值的張量

torch.full_like 用于創建一個與輸入張量形狀相同且所有元素為指定值的張量。

# 創建一個與 x 形狀相同的全為 10 的張量
y = torch.full_like(x, 10)
print(y)

輸出：

tensor([[10, 10, 10],[10, 10, 10]])

4.4. 總結

方法	用途
torch.ones(shape)	創建指定形狀的全 1 張量。
torch.ones_like(input)	創建與輸入張量形狀相同的全 1 張量。
torch.zeros(shape)	創建指定形狀的全 0 張量。
torch.zeros_like(input)	創建與輸入張量形狀相同的全 0 張量。
torch.full(shape, value)	創建指定形狀且所有元素為指定值的張量。
torch.full_like(input, value)	創建與輸入張量形狀相同且所有元素為指定值的張量。

5. 張量元素類型轉換

5.1. 使用 tensor.type() 方法

tensor.type() 方法可以將張量轉換為指定的類型。

import torch# 創建一個浮點類型的張量
x = torch.tensor([1.0, 2.0, 3.0])
print(x.dtype)  # 默認是 torch.float32# 轉換為雙精度浮點類型 (torch.float64)
x_double = x.type(torch.DoubleTensor)
print(x_double)
print(x_double.dtype)

輸出：

torch.float32
tensor([1., 2., 3.], dtype=torch.float64)
torch.float64

5.2. 使用 tensor.double() 方法

tensor.double() 是 tensor.type(torch.DoubleTensor)
的簡寫形式，用于將張量轉換為雙精度浮點類型（torch.float64）。

# 轉換為雙精度浮點類型
x_double = x.double()
print(x_double)
print(x_double.dtype)

輸出：

tensor([1., 2., 3.], dtype=torch.float64)
torch.float64

5.3. 其他類型轉換方法

PyTorch 提供了多種類型轉換方法，類似于 tensor.double()，可以直接調用：

方法	轉換為的類型
tensor.float()	torch.float32
tensor.double()	torch.float64
tensor.half()	torch.float16
tensor.int()	torch.int32
tensor.long()	torch.int64
tensor.short()	torch.int16
tensor.byte()	torch.uint8
tensor.bool()	torch.bool
示例：

# 創建一個浮點類型的張量
x = torch.tensor([1.0, 2.0, 3.0])# 轉換為整型
x_int = x.int()
print(x_int)
print(x_int.dtype)# 轉換為布爾型
x_bool = x.bool()
print(x_bool)
print(x_bool.dtype)

輸出：

tensor([1, 2, 3], dtype=torch.int32)
torch.int32
tensor([True, True, True])
torch.bool

5.4. 使用 tensor.to() 方法

tensor.to() 是一個更通用的方法，可以用于設備（CPU/GPU）和類型的轉換。

5.4.1. 轉換數據類型

# 轉換為雙精度浮點類型
x_double = x.to(torch.float64)
print(x_double)
print(x_double.dtype)

輸出：

tensor([1., 2., 3.], dtype=torch.float64)
torch.float64

5.4.2. 同時轉換設備和數據類型

# 轉換為 GPU 上的雙精度浮點類型
if torch.cuda.is_available():x_gpu = x.to(device='cuda', dtype=torch.float64)print(x_gpu)print(x_gpu.dtype)

5.5. 總結

方法	用途
tensor.type(torch.DoubleTensor)	將張量轉換為指定類型（如 torch.float64）。
tensor.double()	將張量轉換為雙精度浮點類型（torch.float64）。
tensor.float()	將張量轉換為單精度浮點類型（torch.float32）。
tensor.int()	將張量轉換為整型（torch.int32）。
tensor.to(dtype=…)	通用方法，支持設備轉換和類型轉換。